跳转到正文
作者 NiLu 更新于

数据中心 — 基础设施、扩张与界限概览

数据中心如何将计算、电力、冷却、地域与资本结合在一起——以及为何其界限以不同方式显现。

摘要

  • 数据中心将 IT 设备与电力、冷却、连接、资本、地域和许可结合在一起。
  • 已宣布、已签约、已安装、已通电、可用与已消耗的容量是不同状态。
  • 人工智能提高了部分配置的密度，但并不能描述整个机群，也无法单独解释扩张。
  • 测量缺口阻碍的是普遍排名，而不是对已知机制的解释。

摘要

数据中心是物理系统，将服务器、加速器、内存、存储和网络与建筑、电力、冷却、连接、资本和许可结合在一起。该行业的扩张不能由单一组件解释。人工智能加速了部分需求；电力已成为一项相关约束；芯片、网络、电力设备、地域和监管仍然相互依存。 [1] [2]

扩张如何发生

序列始于对数字服务的需求。不同的工作负载产生不同的处理、存储、延迟和可靠性要求。这些要求转化为服务器和机架，而服务器和机架需要关键电力、冷却和连接。要使容量变为可用，项目还需要土地、许可审批、融资、设备、电力接入和运营。 [1] [2]

因此，已宣布、已签约、已安装、已通电、可用与实际消耗的容量是不同状态。

全球规模与地方集中

全球估算有助于衡量趋势，但必须始终与产生它们的版本和情景关联。IEA 在某一版本中估计 2024 年数据中心约为 415 TWh；后续更新以约 485 TWh（2025 年）和接近 950 TWh（2030 年）的中心情景开展工作。这些数值并不构成单一区间，2030 年的预测也不是未来事实。 [3] [4]

影响在地方显现。在爱尔兰，数据中心占 2025 年计量电力消耗的 23%，而 2015 年为 5%。该分母并不代表全部终端能源，也不能在全球范围内推广。 [5]

人工智能、密度与消耗

人工智能配置可以达到远高于常规设施中所见的密度。一种 NVIDIA NVL72 配置被记录为约每机架 120 kW。这并不能使其成为典型机架。在 Uptime 2025 调查中，709 名应答运营商中有 82% 报告其设施中存在的最高密度仍低于每机架 30 kW。 [6] [7]

组件的 TDP 并不衡量服务器或站点的消耗。功率基准测试衡量的是既定系统、工作负载和情景；它们单独也无法提供数据中心的年消耗量。 [8] [9] [10]

收益、成本与选址

在弗吉尼亚州研究的案例中，大部分建模经济影响与建设相关，而非永久性运营岗位。在华盛顿州，一项税收优惠在审计期内仅用于改造，并未产生新的数据中心。这些案例并不代表所有市场，但表明为何投资、就业、税收收入和额外性需要分开评估。 [11] [12]

物理选址也不等于完整主权。管辖权、运营、加密密钥、可移植性、软件、芯片、线缆和连续性需要分别评估。 [13]

仍未知的内容

不存在按工作负载划分的公开且可比较的全球容量分类。同样不存在关于实际可用已安装容量的可靠全球百分比、各项目间可比较的净财政回报，或可辩护的单一计算主权指数。

这些缺口是编辑结果的一部分。它们阻碍排名和虚假精确，但并不阻碍解释已知机制。

参考文献

  1. U.S. EPA ENERGY STAR — Data center rating FAQ and PUE definition. U.S. EPA. 查阅于 24 jul. 2026.
  2. LBNL — 2024 United States Data Center Energy Usage Report. Lawrence Berkeley National Laboratory. 查阅于 24 jul. 2026.
  3. IEA — Energy and AI (2025). IEA. 查阅于 22 jul. 2026.
  4. IEA — Key Questions on Energy and AI (2026). IEA. 查阅于 24 jul. 2026.
  5. CSO Ireland — Data Centres Metered Electricity Consumption 2025. Central Statistics Office Ireland. 查阅于 24 jul. 2026.
  6. NVIDIA — DGX GB Rack Scale Systems Hardware Guide. NVIDIA. 查阅于 24 jul. 2026.
  7. Uptime Institute — 2025 Global Data Center Survey. Uptime Institute. 查阅于 24 jul. 2026.
  8. NVIDIA — H100 Tensor Core GPU specifications. NVIDIA. 查阅于 22 jul. 2026.
  9. MLCommons — MLPerf Inference benchmark documentation. MLCommons. 查阅于 24 jul. 2026.
  10. MLCommons — MLPerf Inference power measurement methodology. MLCommons. 查阅于 24 jul. 2026.
  11. JLARC — Data Centers in Virginia (2024). Virginia JLARC. 查阅于 24 jul. 2026.
  12. Washington JLARC — Data Centers in Urban Counties: 2026 Tax Preference Review. Washington JLARC. 查阅于 24 jul. 2026.
  13. OECD — Data localisation trends and challenges. OECD. 查阅于 24 jul. 2026.